Preview

Информатика

Расширенный поиск

Отбор информативных геометрических признаков ядер клеток на люминесцентных изображениях раковых клеток

Полный текст:

Аннотация

Рассмотрены методы отбора информативных признаков для выделения геометрических признаков при описании ядер на люминесцентных изображениях раковых клеток. Выполнен обзор существующих геометрических признаков, который включает в себя как признаки формы, устойчивые к повороту и перемещению изображения, так и признаки расположения в пространстве. Для отбора наиболее информативных признаков использованы шесть методов: медианный, корреляционный с расчетом коэффициента корреляции по Пирсону, корреляционный с расчетом коэффициента корреляции по Спирмену, метод логистической регрессии, случайного леса с CART-деревьями и критерием Gini, случайного леса с CART-деревьями и критерием минимизации ошибки. В результате исследования из 59 признаков отобраны 11 наиболее информативных, выполнен анализ качества классификации с помощью метода случайного леса и рассчитаны временные затраты в зависимости от количества признаков для описания объектов. Для метода случайного леса использование 11 признаков является достаточным по точности классификации и позволяет снизить временные затраты в 2,3 раза.

Об авторах

Е. В. Лисица
Белорусский государственный университет
Беларусь

Лисица Евгения Владимировна, научный сотрудник

факультет радиофизики и компьютерных технологий



Н. Н. Яцков
Белорусский государственный университет
Беларусь

Яцков Николай Николаевич, кандидат физикоматематических наук, доцент

факультет радиофизики и компьютерных технологий



В. В. Скакун
Белорусский государственный университет
Беларусь

Скакун Виктор Васильевич, кандидат физикоматематических наук, доцент

факультет радиофизики и компьютерных технологий



П. Д. Кривошеев
Белорусский государственный университет
Беларусь

Кривошеев Павел Дмитриевич, студент

факультет радиофизики и компьютерных технологий



В. В. Апанасович
Институт информационных технологий и бизнесадминистрирования
Беларусь

Апанасович Владимир Владимирович, доктор физикоматематических наук, профессор, первый проректор



Список литературы

1. Stewart, B. World Cancer Report 2014 / B. Stewart, C. P. Wild. – Geneva : WHO Press, 2015. – 512 p.

2. Программный пакет CellDataMiner для анализа люминесцентных изображений раковых клеток / Е. В. Лисица [и др.] // Информатика. – 2015. – № 4(48). – С. 73–84.

3. Spatial quantitative analysis of fluorescently labeled nuclear structures: problems, methods, pitfalls / O. Ronneberger [et al.] // Chromosome Research. – 2008. – No. 3. – P. 523–562.

4. Supervised, unsupervised, and semi-supervised feature selection: a review on gene selection / J. C. Ang [et al.] // IEEE/ACM Transactions on Computational Biology and Bioinformatics. – 2016. – No. 5. – P. 971–989.

5. Classifying ten types of major cancers based on reverse phase protein array profiles / P. W. Zhang [et al.] // PLoS One. – 2015. – No. 5. – P. 3–7.

6. Reverse phase protein array based tumor profiling identifies a biomarker signature for risk classification of hormone receptor-positive breast cancer / J. Sonntag [et al.] // Translational Proteomics. – 2014. – No. 2. – P. 52–59.

7. Kaddi, C. Models for predicting stage in head and neck squamous cell carcinoma using proteomic and transcriptomic data / C. Kaddi, M. D.Wang // IEEE J. of Biomedical and Health Informatics. – 2017. – No. 1. – P. 246–253.

8. Immunosignature system for diagnosis of cancer / P. Stafford [et al.] // Proc. of the National Academy of Sciences of the United States of America. – 2014. – No. 30. – P. 3072–3080.

9. Nguyen, T. Modified AHP for gene selection and cancer classification using type-2 fuzzy logic / T. Nguyen, S. Nahavandi // IEEE Transactions on Fuzzy Systems. – 2016. – No. 2. – P. 273–287.

10. Hierarchical gene selection and genetic fuzzy system for cancer microarray data classification / T. Nguyen [et al.] // PloS One. – 2015. – No. 3.

11. 3-phosphoadenosine 5-phosphosulfate (paps) synthases, naturally fragile enzymes specifically stabilized by nucleotide binding / J. Van den Boom [et al.] // J. of Biological Chemistry. – 2012. – No. 21. – P. 17645–17655.

12. Insights into the classification of small GTPases / D. Heider [et al.] // Advances and Applications in Bioinformatics and Chemistry. – 2010. – No. 3. – P. 15–24.

13. Data mining in the Life Sciences with Random Forest: a walk in the park or lost in the jungle? / W. G. Touw [et al.] // Briefings in Bioinformatics. – 2013. – No. 3. – P. 315–326.

14. Improved Bevirimat resistance prediction by combination of structural and sequence-based classifiers / J. N. Dybowski [et al.] // BioData Mining. – 2011. – No. 4. – Р. 26–39.

15. Exploiting HIV-1 protease and reverse transcriptase cross-resistance information for improved drug resistance prediction by means of multi-label classification / M. Riemenschneider [et al.] // BioData Mining. – 2016. – No. 9. – Р. 10–16.

16. Expression profiling reveals novel pathways in the transformation of melanocytes to melanomas / H. Hoek [et al.] // Cancer Research. – 2004. – No. 15. – P. 5270–5282.

17. Quantitative analysis of estrogen receptor heterogeneity in breast cancer / G. G. Chung [et al.] // Laboratory Investigation. – 2007. – No. 7. – P. 662–669.

18. Camp, R. L. Automated subcellular localization and quantification of protein expression in tissue microarrays / R. L. Camp, G. G. Chung, D. L. Rimm // Nature Medicine. – 2002. – No. 11. – P. 1323–1327.

19. Quantifying estrogen and progesterone receptor expression in breast cancer by digital imaging / M. K. Szesze [et al.] // J. of Histochemistry and Cytochemistry. – 2005. – No. 6. – P. 753–762.

20. Имитационная модель трехканальных люминесцентных изображений популяций раковых клеток / Е. В. Лисица [и др.] // Журнал прикладной спектроскопии. – 2014. – № 6. – С. 907–913.

21. Burger, W. Principles of Digital Image Processing: Core Algorithms / W. Burger, M. Burge. – London : Springer-Verlag, 2009. – 332 p.

22. Jähne, B. Digital Image Processing. Iss. 5 / B. Jähne. – Berlin, Heidelberg : Springer, 2002. – 585 p.

23. Reiss, Th. H. Recognizing Planar Objects using Invariant Image Features / Th. H. Reiss. – Berlin : Springer, 1993. – 186 p.

24. Hu, M. K. Visual pattern recognition by moment invariants / M. K. Hu // IEEE Transactions on Information Theory. – 1962. – No. 8. – P. 179–187.

25. Neumann, U. EFS: an ensemble feature selection tool implemented as R-package and web-application / U. Neumann // BioData Mining. – 2017. – No. 10. – Р. 21–30.

26. Bauer, D. F. Constructing confidence sets using rank statistics / D. F. Bauer // J. of the American Statistical Association. – 1972. – No. 67. – P. 687–690.

27. Yu, L. Efficient feature selection via analysis of relevance and redundancy / L. Yu // J. of Machine Learning Research. – 2004. – No. 5. – P. 1205–1224.

28. Suzuki, N. Developing landscape habitat models for rare amphibians with small geographic ranges: a case study of Siskiyou Mountains salamanders in the western USA / N. Suzuki, D. H. Olson, E. C. Reilly // J. of Machine Learning Research. – 2008. – No. 17. – P. 2197–2218.

29. Novel methods improve prediction of species distributions from occurrence data / J. Elith [et al.] // J. of Space and Time in Ecology. – 2006. – No. 29. – P. 129–151.

30. Yu, L. Efficient feature selection via analysis of relevance and redundancy / L. Yu, H. Liu // J. of Machine Learning Research. – 2004. – No. 5. – P. 1205–1224.

31. Compensation of feature selection biases accompanied with improved predictive performance for binary classification by using a novel ensemble feature selection approach / U. Neumann [et al.] // BioData Mining. – 2016. – No. 9. – P. 36–50.

32. Breiman, L. Random forests / L. Breiman // Machine Learning. – 2001. – No. 5. – P. 5–32.

33. Feature selection based on quality of information / J. Liu [et al.] // Neurocomputing. – 2017. – No. 225. – P. 11–22.

34. Measures of rule quality for feature selection in text categorization / E. Montañés [et al.] // Advances in Intelligent Data Analysis V. – 2003. – No. 225. – P. 589–598.

35. Scikit-learn: Machine learning in Python / F. Pedregosa [et al.] // J. of Machine Learning Research. – 2011. – No. 12. – P. 2825–2830.


Для цитирования:


Лисица Е.В., Яцков Н.Н., Скакун В.В., Кривошеев П.Д., Апанасович В.В. Отбор информативных геометрических признаков ядер клеток на люминесцентных изображениях раковых клеток. Информатика. 2019;16(2):7-17.

For citation:


Lisitsa Y.U., Yatskou M.M., Skakun V.V., Pavel D. Kryvasheyeu P.D., Apanasovich V.V. Selection of geometrical features of nuclei оn fluorescent images of cancer cells. Informatics. 2019;16(2):7-17. (In Russ.)

Просмотров: 171


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)